時(shí)間：2023-03-08 15:32:04
引言：易發(fā)表網(wǎng)憑借豐富的文秘實(shí)踐，為您精心挑選了九篇匹配算法論文范例。如需獲取更多原創(chuàng)內(nèi)容，可隨時(shí)聯(lián)系我們的客服老師。
【關(guān)鍵詞】深度挖掘匹配算法 畢業(yè)論文管理 應(yīng)用
在畢業(yè)論文管理工作不斷加強(qiáng)的情況下，注重管理模式的更新和合理選用，提高匹配算法的針對性，才能真正提高高校教務(wù)管理水平。因此，對深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用有比較全面的了解，才能為高校教務(wù)管理工作提供可靠參考依據(jù)。
1 深度挖掘匹配算法的相關(guān)分析
根據(jù)深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用情況進(jìn)行全面分析來看，其主要包括如下兩個(gè)方面：
1.1 志愿自動(dòng)匹配算法的相關(guān)分析
對學(xué)生和課題的選擇關(guān)系進(jìn)行合理分析可知，兩者的最優(yōu)、最大匹配，最好是根據(jù)學(xué)生的實(shí)際情況量身定做，才能真正實(shí)現(xiàn)課題與學(xué)生的最完美匹配。因此，教師提出相關(guān)題目時(shí)，需要對學(xué)生的情況、特性和要求等進(jìn)行全面分析，才能在學(xué)生對課題的特性、關(guān)聯(lián)性等有一定了解的情況下，提高課題與學(xué)生的匹配概率，最終讓學(xué)生選定最合適的課題。在實(shí)踐過程中，志愿自動(dòng)匹配算法的合理運(yùn)用，需要根據(jù)畢業(yè)論文的管理流程，從教師出題開始。一般情況下，教師應(yīng)該先提出大題讓學(xué)生自由選擇，在匹配學(xué)生確定好以后將大題分成幾個(gè)小題，從而將每個(gè)小題分配給合適的學(xué)生。在這種情況下，教師設(shè)定的課題需要從修讀課程達(dá)到的分?jǐn)?shù)、難度、所屬類別等多個(gè)方面確定，并從教務(wù)管理系統(tǒng)中獲取學(xué)生的成績和選題積分點(diǎn)等，才能根據(jù)分?jǐn)?shù)線來判定學(xué)生是否符合相關(guān)選題。其中，選題的難度在簡單、一般、難、很難和非常難幾個(gè)等級(jí)，對應(yīng)的成績是及格、良好、優(yōu)秀、極好。在實(shí)際進(jìn)行選題時(shí)，學(xué)生可以根據(jù)自己的情況選擇三個(gè)題目作為志愿，以在系統(tǒng)完成匹配后，自定將題目下發(fā)給學(xué)生。在實(shí)踐過程中，初始化志愿顯示的是學(xué)生的第一志愿，在經(jīng)過while、if、else、break、continue等流程后，系統(tǒng)會(huì)將題目和學(xué)生進(jìn)行適當(dāng)分類，以確保題目與學(xué)生的匹配最合理、最科學(xué)。由此可見，志愿自動(dòng)匹配算法是優(yōu)先對具有課題相關(guān)能力的學(xué)生進(jìn)行匹配的，在學(xué)生人數(shù)低于匹配數(shù)量的情況下，可繼續(xù)為積分點(diǎn)高、能力稍差的學(xué)生進(jìn)行匹配，對于確保課程成績與積分點(diǎn)的完美結(jié)合有著極大影響。
1.2 調(diào)劑學(xué)生算法的相關(guān)分析
在經(jīng)過上述算法進(jìn)行匹配后，根據(jù)學(xué)生的實(shí)際情況進(jìn)行深層挖掘，可以實(shí)現(xiàn)課題與剩余學(xué)生的完美調(diào)劑。因此，對上述階段中匹配失敗的學(xué)生志愿所選的教師、課題類別、難度等因素進(jìn)行深度挖掘，并將搜索結(jié)果作為匹配課題的依據(jù)，才能在縮小搜索范圍的情況下，找到與剩余學(xué)生最合適的課題。如果出現(xiàn)相近課題較多的情況，則需要有學(xué)生、工作人員共同協(xié)商，以確定最終和最適合學(xué)生的課堂。在實(shí)踐應(yīng)用中，調(diào)劑學(xué)生算法的運(yùn)用需要對需要調(diào)劑的學(xué)生進(jìn)行合理分析，并通過if、else、return、while、continue、else等多個(gè)流程，才能真正匹配出最適合學(xué)生的課題。
2 深度挖掘匹配算法在畢業(yè)論文管理中的實(shí)際應(yīng)用
根據(jù)深度挖掘匹配算法的實(shí)際應(yīng)用來看，在畢業(yè)論文管理中學(xué)生可以了解到最適合自己的課題信息，教師可以根據(jù)學(xué)生的積分點(diǎn)和成績等確定課題，從而避免選擇某一課題的學(xué)生過多或過少的情況出現(xiàn)，對于提高第一志愿自動(dòng)匹配成功率有著極大作用。因此，在實(shí)際應(yīng)用中，注重教師、課題類別、難度的合理設(shè)定，確保它們的排序科學(xué)，將課堂與學(xué)生的匹配關(guān)系看作是二分圖，并且，每個(gè)學(xué)生可以選擇的課題有三個(gè)，系統(tǒng)可以根據(jù)學(xué)生的實(shí)際情況進(jìn)行自動(dòng)匹配，最終深度挖掘與學(xué)生志愿匹配的課題。例如：志愿自動(dòng)匹配和調(diào)劑學(xué)生的總數(shù)都為102人，通過深度挖掘匹配算法匹配成功的人數(shù)分別為72人和90人，成功率達(dá)到了70%、88%。在不使用任何算法進(jìn)行匹配的情況下，兩者的成功率是52%左右。由此可見，在畢業(yè)論文管理系統(tǒng)中，深度挖掘匹配算法在科學(xué)應(yīng)用，可以為教務(wù)管理工作提供可靠參考依據(jù)，對于提高畢業(yè)論文管理工作人員的工作效率有著重要影響。
3 結(jié)語
綜上所述，在深度挖掘匹配算法不斷推廣的情況下，其在畢業(yè)論文管理中的實(shí)際應(yīng)用受到了很多教務(wù)管理工作人員的青睞。因此，充分發(fā)揮深度挖掘匹配算法的作用，提高深度挖掘匹配算法在畢業(yè)論文管理中的應(yīng)用效果，才能更好的滿足學(xué)生的選題需求。
參考文獻(xiàn)
[1]馮麗慧，馮立智.數(shù)據(jù)挖掘在畢業(yè)論文成績管理中的應(yīng)用研究[J].電腦知識(shí)與技術(shù)，2012，30：7150-7153.
[2]徐章韜.用信息技術(shù)深度挖掘課程內(nèi)容――以數(shù)學(xué)學(xué)科為例[J].教育發(fā)展研究，2015，12：29-33.
[3]連伊娜.深度挖掘高校檔案文化內(nèi)涵，更好為教育事業(yè)發(fā)展服務(wù)[J].黑龍江史志，2013，11：104-105.
作者簡介
劉冰潔（1983-），女，江西省南昌市人。工程碩士學(xué)位。現(xiàn)為江西交通職業(yè)技術(shù)學(xué)院副教授。研究方向?yàn)榇髷?shù)據(jù)、系統(tǒng)集成、智能化技術(shù)。
>> 算法與模型 快速圖像匹配算法及其水下導(dǎo)航應(yīng)用 芻議華帝戰(zhàn)略選擇與匹配 入侵檢測模式匹配算法的研究與改進(jìn) 論文相似度匹配算法的研究與實(shí)現(xiàn) 字符串匹配算法比較與分析 正向最大匹配分詞算法的分析與改進(jìn) 基于模擬退火算法的P2P借貸平臺(tái)的債權(quán)匹配模型 基于輪廓特征點(diǎn)的三維模型相似性匹配算法 一種基于語言學(xué)特征的本體匹配改進(jìn)算法 動(dòng)作與音樂的節(jié)奏特征匹配模型研究 基于SIFT算法與RANSAC算法的X射線圖像匹配研究 電影語言與影片風(fēng)格的匹配問題 基于啟發(fā)式算法的品牌模型的選擇 軟件可靠性模型選擇的SRMS算法 雙目立體視覺區(qū)域局部匹配算法的改進(jìn)及其實(shí)現(xiàn) 軟件工程過程模型及其選擇 混合Copula模型選擇及其應(yīng)用 模式匹配查詢算法研究 指紋快速匹配算法研究 常見問題解答 當(dāng)前所在位置：l 德國
[4]
ZAKI T， ESSAADY Y， MAMMASS D， et al. A hybrid method ngramsTFIDF with radial basis for indexing and classification of Arabic document [J]. International Journal of Software Engineering and Its Applications， 2014， 8（2）： 127-144.
[5]
SIDOROV G， VELASQUEZ F， STAMATATOS E， et al. Syntactic dependencybased ngrams as classification features [C]// MICAI 2012： Proceedings of the 11th Mexican International Conference on Artificial Intelligence， LNCS 7630. Berlin： Springer， 2013： 1-11.
[6]
YI Y， GUAN J， ZHOU S. Effective clustering of microRNA sequences by ngrams and feature weighting [C] // Proceedings of the 2012 IEEE 6th International Conference on Systems Biology. Piscataway： IEEE， 2012： 203-210.
[7]
BOURAS C， TSOGKAS V. Enhancing news articles clustering using word ngrams [C] // DATA 2013： Proceedings of the 2nd International Conference on Data Technologies and Applications. London： dblp Computer Science Bibliography， 2013： 53-60.
[8]
GHANNAY S， BARRAULT L. Using hypothesis selection based features for confusion network MT system combination [C] // EACL 2014： Proceedings of the 3rd Workshop on Hybrid Approaches to Translation （HyTra）. Stroudsburg： Association for Computational Linguistics， 2014： 2-6.
[9]
SIDOROV G， VELASQUEZ F， STAMATAOS E， et al. Syntactic ngrams as machine learning features for natural language processing [J]. Expert Systems with Applications， 2014， 41（3）： 853-860.
[10]
HAN Q， GUO J， SCHTZE H. CodeX： combining an SVM classifier and character ngram language models for sentiment analysis on Twitter text [C]// SemEval 2013： Proceedings of the Second Joint Conference on Lexical and Computational Semantics （*SEM）， Volume 2： Proceedings of the Seventh International Workshop on Semantic Evaluation. Stroudsburg： Association for Computational Linguistics， 2013： 520-524.
http：//p.nus.edu.sg/～antho/S/S13/S13-2086.pdf
[11]
BESPALOY D， BAI B， QI Y， et al. Sentiment classification based on supervised latent ngram analysis [C] // CIKM 11： Proceedings of the 20th ACM International Conference on Information and Knowledge Management. New York： ACM， 2011： 375-382.
[12]
MILLER Z， DICKINSON B， HU W. Gender prediction on Twitter using stream algorithms with ngram character features [J]. International Journal of Intelligence Science， 2012， 2（4A）： 143-148.
[13]
WRIGHT J， LLOYDTHOMAS H. A robust language model incorporating a substring parser and extended ngrams [C] // ICASSP 1994： Proceedings of the 1994 IEEE International Conference on Acoustics， Speech， and Signal Processing. Washington， DC： IEEE Computer Society， 1994： 361-364.
[14]
HACIOGLU K， WARD W. Dialogcontext dependent language modeling combining ngrams and stochastic contextfree grammars [C] // ICASSP 2001： Proceedings of the 2001 IEEE International Conference on Acoustics， Speech， and Signal Processing. Washington， DC： IEEE Computer Society， 2001， 1： 537-540.
[15]
SIU M， OSTENDORF M. Variable ngrams and extensions for conversational speech language modeling [J]. Speech and Audio Processing， 2000， 1（8）： 63-75.
[16]
ZHOU S， GUAN J， HU Y， et al. A Chinese document categorization system without dictionary support and segmentation processing [J]. Journal of Computer Research and Development， 2001， 38（7）： 839-844. （周水庚，關(guān)佶紅，胡運(yùn)發(fā)，等.一個(gè)無需詞典支持和切詞處理的中文文檔分類系統(tǒng)[J].計(jì)算機(jī)研究與發(fā)展，2001，38（7）：839-844）
[17]
GAO Z， LI X. Feature extraction method based on sliding window application in text classification[J]. Science & Technology Information， 2008（34）： 23-24. （高振峰，李錫祚.基于滑動(dòng)窗口的特征提取方法在文本分類中的應(yīng)用[J].科技信息：學(xué)術(shù)版，2008（34）：23-24.）
[18]
PENG H， LONG F， DING C. Feature selection based on mutual information： criteria of maxdependency， maxrelevance， and minredundancy [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（8）： 1226-1238.
關(guān)鍵詞：文獻(xiàn)檢索；快速排序；分治；字符串匹配；時(shí)間復(fù)雜度
中圖分類號(hào)：TP391.9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）02-0305-03
伴隨網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)信息大量增加，涵蓋期刊、會(huì)議紀(jì)要、論文、學(xué)術(shù)成果、學(xué)術(shù)會(huì)議論文的大型網(wǎng)絡(luò)數(shù)據(jù)庫應(yīng)運(yùn)而生，如萬方數(shù)據(jù)庫、百度文庫、維普數(shù)據(jù)庫等，文獻(xiàn)存儲(chǔ)容量近百萬篇。如何有效搜集發(fā)現(xiàn)信息，并對信息提取、組織、處理，就需要尋找出高效算法，降低計(jì)算復(fù)雜度，提高運(yùn)算效率，以適應(yīng)文獻(xiàn)資源的迅速擴(kuò)充[[1]]。
1 文獻(xiàn)資料搜索引擎技術(shù)特點(diǎn)
當(dāng)用戶以關(guān)鍵詞查找信息時(shí)，搜索引擎會(huì)在數(shù)據(jù)庫中進(jìn)行搜尋，如果找到與用戶要求內(nèi)容相符的信息，便采用特殊的算法，根據(jù)文獻(xiàn)中關(guān)鍵詞的匹配程度，如出現(xiàn)的次數(shù)、頻率等計(jì)算出各文獻(xiàn)的排名等級(jí)，然后根據(jù)關(guān)聯(lián)度高低，按順序?qū)⑦@些資源接返回給用戶。
與網(wǎng)絡(luò)搜索引擎不同，因用戶需求為數(shù)據(jù)資料而非網(wǎng)絡(luò)資源，因此文獻(xiàn)檢索主要依據(jù)為相關(guān)關(guān)鍵詞、內(nèi)容的相關(guān)度等，對域名、外鏈等因素考慮較少。可利用關(guān)鍵詞匹配算法，計(jì)算出各文獻(xiàn)特征值，以特征值作為依據(jù)，對檢索文獻(xiàn)排序刪選，滿足用戶需求。為便于理解，該文利用詞頻和位置加權(quán)算法計(jì)算特征值，采用快速排序算法進(jìn)行整理輸出，數(shù)據(jù)庫可高效檢索出與用戶需求匹配程度較高的文獻(xiàn)[[2]]。
2 快速排序算法規(guī)則及性能分析
快速排序是由托尼·霍爾于1962年（Tony Hoare）所發(fā)展的一種遞歸排序算法，采用分治的思想。在平均狀況下，排序 n 個(gè)項(xiàng)目需要Ο（n log n）次比較。
其算法規(guī)則可表述為：
3 算法設(shè)計(jì)與仿真
首先建立包含十五篇文獻(xiàn)的資料庫，根據(jù)用戶需求，隨機(jī)輸入關(guān)鍵詞，在此可將關(guān)鍵詞視為子串，對各文獻(xiàn)進(jìn)行字符串匹配操作。文獻(xiàn)為A串，即目標(biāo)串，關(guān)鍵詞為B串，即模式串。若A串中存在和B相等的子串（ 若干連續(xù)的字符組成的子序列） ，則匹配成功，，否則，稱匹配不成功[[3]]。
匹配過程如圖2所示，將模式串設(shè)置為滑動(dòng)窗口。在第一次匹配過程中，第三個(gè)字符出現(xiàn)不相同情況，此時(shí)根據(jù)KMP算法原則，利用已經(jīng)得到的部分匹配的結(jié)果，將模式串窗口向后滑動(dòng)一段距離后，繼續(xù)進(jìn)行比較[[4]]。
參考文獻(xiàn)：
[1] 張興華.搜索引擎技術(shù)及研究[J].現(xiàn)代情報(bào)，2002（2）：142.
[2] 黃知義，周寧.幾類搜索引擎的原理剖析、比較研究及發(fā)展趨勢探討[J].圖書館學(xué)研究，2005（3）：61-62.
[3] 李靜.字符串的模式匹配算法[J].青島化工學(xué)院學(xué)報(bào)，2002（2）：80.
[4] 俞文洋，張連堂，段淑敏.KM P模式匹配算法的研究[J].鄭州輕工業(yè)學(xué)院報(bào)，2007（5）：65.
[5] 黃德才，戚華春.PageRank算法研究[J].計(jì)算機(jī)工程，2006（2）：145-146.
[6] 王奇才，宋國新才，邵志清.信息檢索中基于鏈接的網(wǎng)頁排序算法[J].華東理工大學(xué)學(xué)報(bào)，2000（5）：456.
關(guān)鍵詞：入侵檢測；免疫原理；r連續(xù)位匹配；檢測集生成
中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)26-6348-03
Network Intrusion Detection Based on Immune Theory
WU Xiang1, HAN Liang2
(1.Naval Headquarters, Beijing 100841, China; 2.The East China Sea Fleet of Navy, Ningbo 315122, China)
Abstract: After analysis of the immune algorithm characteristics, the metaphor mechanism which is associated with the intrusion detection is extracted and studied in-depth. And then on the basis of artificial immune system, intrusion Detection system based on immune mechanism is built and the definition of system self and system non-self, immune matching rules set, and also the generation and life cycle of the immune detector are explained. Finally, the model is validated by the simulation experiments. The establishment of the immune intrusion detection system and the simulation work is the cornerstone of this research.
Key words: intrusion detection; immune theory; r contiguous bits matching; detector set generation
人體的免疫系統(tǒng)功能是通過大量不同類型的細(xì)胞之間的相互作用實(shí)現(xiàn)的[1-2]。在這些不同類型的細(xì)胞主要作用是區(qū)分“自體”和“非自體”。“自體”是指人體自身的細(xì)胞，而“非自體”是指病原體、毒性有機(jī)物和內(nèi)源的突變細(xì)胞或衰老細(xì)胞。淋巴細(xì)胞能對“非自體”成分產(chǎn)生應(yīng)答，以消除它們對機(jī)體的危害；但對“自體”成分，則不產(chǎn)生應(yīng)答，以保持內(nèi)環(huán)境動(dòng)態(tài)穩(wěn)定，維持機(jī)體健康。
可以看出入侵檢測系統(tǒng)和免疫系統(tǒng)具有一定程度的相似性。對于一個(gè)入侵檢測系統(tǒng)，特別是網(wǎng)絡(luò)入侵檢測系統(tǒng)，免疫系統(tǒng)的組成、結(jié)構(gòu)、特征、免疫機(jī)理、算法等都為入侵檢測系統(tǒng)設(shè)計(jì)有著重要的借鑒意義。它們要解決的問題都可以被描述為：識(shí)別“自體”和“非自體”，并消除“非自體”。
1自體和非自體的定義
計(jì)算機(jī)安全的免疫系統(tǒng)保護(hù)的是計(jì)算機(jī)系統(tǒng)的數(shù)據(jù)文件，所以將“自體”定義為計(jì)算機(jī)中合法的數(shù)據(jù)，這些數(shù)據(jù)包括合法用戶、授權(quán)活動(dòng)、原始源代碼、未被欺詐的數(shù)據(jù)等；將“非自體”定義為其它一切非法數(shù)據(jù)，這些數(shù)據(jù)包括自身遭受非法篡改的數(shù)據(jù)、病毒感染的數(shù)據(jù)以及外來數(shù)據(jù)等。
2免疫匹配規(guī)則
在計(jì)算機(jī)中，所有的數(shù)據(jù)都是以二進(jìn)制來表示的，這就表明在進(jìn)行仿真的過程中，使用免疫匹配規(guī)則的對象都應(yīng)該是針對二進(jìn)制字符串的，因此需要采用二進(jìn)制的匹配算法。采用何種二進(jìn)制字符串的匹配算法，這是一個(gè)十分關(guān)鍵的問題，因?yàn)橹挥胁捎昧撕线m的匹配算法，才能有效的構(gòu)造免疫檢測器集[4]。目前有很多的近似匹配算法，如r連續(xù)位的匹配算法、海明距離匹配算法等。r連續(xù)位匹配規(guī)則能更好地反映抗體綁定的真實(shí)提取，即能更真實(shí)地反映檢測器字符串與被檢測字符串的匹配情況，所以它比海明匹配規(guī)則更常用，因此文章采用r連續(xù)位的匹配算法。
r連續(xù)位的匹配規(guī)則可以描述如下：對于任意的兩個(gè)字符串x，y，如果兩個(gè)字符串x，y在相應(yīng)位置上至少連續(xù)r位相同，那么這兩個(gè)字符串是r連續(xù)位匹配的，即Match(x,y)|r=true。例如，如果設(shè)定r=5，字符串x=“10111010”和字符串y=“11011010”，由于它們在相應(yīng)位置4-8位上都為“11010”，因此這兩個(gè)字符串是匹配的。
在訓(xùn)練階段，首先隨機(jī)生成候選檢測器集合，然后讓候選檢測器與自體集進(jìn)行匹配，這個(gè)過程也叫陰性選擇過程。在匹配的過程中，那些與與自體集相匹配的候選檢測器就被丟棄，而不與自體集匹配的候選檢測器則作為成熟檢測器，存儲(chǔ)于檢測器集合中。
[1] Oscar A,Fabio A G, Fernando N,et al.Search and Optimization：A Solution Concept for Artificial Immune Networks: A Coevo? lutionary Perspective [C].Proceedings of 6th international conference on Artificial Immune systems，Brazil，2007：26-29.
[2] Hofmeyr, S, Forrest, S. Immunity by Design: An Artificial Immune System[C]//Proceedings of the 1999 Genetic and Evolution? ary Computation Conference,1999:1289-1296.
[3]楊進(jìn),劉曉潔,李濤,等.人工免疫中匹配算法研究[J].四川大學(xué)學(xué)報(bào):工程科學(xué)版，2008,40(3):126-131.
[4]馬莉.基于免疫原理的網(wǎng)絡(luò)入侵檢測器生成算法的研究[D].南京:南京理工大學(xué)碩士論文, 2006.
[5]卿斯?jié)h,蔣建春,馬恒太,等.入侵檢測技術(shù)研究綜述[J].通信學(xué)報(bào),2004,25(7):19-29.
[6]焦李成,杜海峰,劉芳,等.免疫優(yōu)化計(jì)算、學(xué)習(xí)與識(shí)別[M].北京:科學(xué)出版社, 2006.
[7] Dasgupta D，Gonzalez F.An Immunity-Based Technique to Characterize Intrusions in, Computer Networks [J].Special Issue on Artificial Immune Systems of the Journal IEEE Transactions on Evolutionary Comput- ation.2002，6(3)：281-291.
關(guān)鍵詞：模式匹配；藏文音節(jié)；BM算法
中圖分類號(hào)：TP393.08
藏文網(wǎng)絡(luò)輿情是當(dāng)前必須關(guān)注的輿論涌現(xiàn)與信息傳播現(xiàn)象。近幾年藏文網(wǎng)絡(luò)輿情的數(shù)量呈現(xiàn)遞增的增長趨勢，網(wǎng)絡(luò)信息的傳播途徑也呈現(xiàn)出多樣化和復(fù)雜化。由于藏文網(wǎng)絡(luò)的這些顯著的特點(diǎn)，藏文信息處理相對滯后于英文和中文等，短時(shí)間內(nèi)迅速的獲取大量信息則不容易。另，目前藏文網(wǎng)站大量的涌現(xiàn)，網(wǎng)頁數(shù)量巨大，處理起來速度相對慢，以往藏文網(wǎng)絡(luò)輿情頁面的統(tǒng)計(jì)都是基于手工統(tǒng)計(jì)實(shí)現(xiàn)的，效率低，很難對網(wǎng)絡(luò)輿情的變化做出快速響應(yīng)。模式匹配技術(shù)是內(nèi)容過濾的核心技術(shù)，是計(jì)算機(jī)信息技術(shù)領(lǐng)域研究的基礎(chǔ)問題之一，研究敏感詞作為模式串的藏文模式匹配算法具有重要的研究意義。
BM算法是Boyer和Moore提出的一種字符串快速匹配算法。其基本思想是從右向左的把模式字符串同文本做比較。開始時(shí)仍是P的最左邊與T的最左邊對齊，當(dāng)在某一趟比較中出現(xiàn)不匹配時(shí)，計(jì)算模式串右移的距離，把模式串向右移動(dòng)該距離，再進(jìn)行從右至左的匹配，同時(shí)應(yīng)用到了兩種啟發(fā)式規(guī)則，即壞字符規(guī)則和好后綴規(guī)則，來決定向右跳躍的距離。
1 BM算法在藏文中的改進(jìn)
藏文字符匹配中應(yīng)用BM算法時(shí)，必須結(jié)合藏文文字特征，對BM算法進(jìn)行改進(jìn)以符合藏文的特點(diǎn)，提高匹配效率。
1.1 藏文文字結(jié)構(gòu)及編碼特點(diǎn)
藏文是由多個(gè)基本字符通過縱向疊加組成的字符串，構(gòu)成一個(gè)完整藏文詞素的基本單位是由藏文中的“音節(jié)分割符tsheg bar”來確定。一個(gè)或多個(gè)音節(jié)構(gòu)成一個(gè)藏文詞。音節(jié)，則是由音節(jié)分割符（音節(jié)點(diǎn)）或者其他藏文標(biāo)點(diǎn)符號(hào)來劃分的。一個(gè)音節(jié)中基字符是不能被省略的，其余相關(guān)構(gòu)件都可以減少掉一個(gè)或幾個(gè)這樣仍然可以成一個(gè)音節(jié)（藏字）。七個(gè)構(gòu)件中輔音字母在各部位依據(jù)藏文語法要求都有一定限制并不是所有的輔音字母都能夠做前加字或者后加字等。
藏文在計(jì)算機(jī)中進(jìn)行編碼時(shí)一個(gè)音節(jié)需要用多個(gè)編碼來表示，長度是不定的，這使得藏文在信息系統(tǒng)中的實(shí)現(xiàn)非常的麻煩。
（1）國內(nèi)的幾種藏文處理系統(tǒng)將藏文作為整字給予編碼。將藏文垂直組合的部分作為一個(gè)處理單元編碼（預(yù)先進(jìn)行垂直組合，稱為垂直預(yù)組合，垂直預(yù)組合后的字符稱為藏文字丁），比如北大方正的報(bào)刊排版系統(tǒng)、華光藏文排版和同元藏文處理系統(tǒng)、激光照排系統(tǒng)等，這幾個(gè)系統(tǒng)都有各自的編碼方案這類編碼采用雙字節(jié)進(jìn)行編碼。這樣，具有完整構(gòu)件組合的藏字（即一個(gè)音節(jié)最多由4個(gè)字丁組成）。因此，國內(nèi)的這幾種編碼方式一個(gè)音節(jié)就最多有4個(gè)編碼。國家標(biāo)準(zhǔn)的擴(kuò)A和擴(kuò)B編碼方案采用的是也是整字編碼方案。
（2）國外的幾種藏文編碼方式也是采用整字編碼方案，但是將帶元音的字丁與元音分離后分別進(jìn)行了編碼。一個(gè)藏文音節(jié)最多就由5個(gè)字丁組成，即一個(gè)藏文音節(jié)由5個(gè)編碼組成。
（3）ISO/IEC 10646藏文基本集是國際標(biāo)準(zhǔn)的編碼方案，它完全將藏文視做拼音文字，字丁則是通過字母的動(dòng)態(tài)組合實(shí)現(xiàn)的。即將一個(gè)藏文音節(jié)拆分成不同構(gòu)件的獨(dú)立的部分，對每一個(gè)構(gòu)件都單獨(dú)進(jìn)行編碼。采用國際標(biāo)準(zhǔn)后一個(gè)藏文音節(jié)最多由7個(gè)編碼組成。基于不同編碼的方式使得一個(gè)音節(jié)的編碼個(gè)數(shù)不同，即使具有相同編碼個(gè)數(shù)的同一種編碼方案，由于編碼范圍不同編碼值也將不一致。1997年，我國的藏文基本字符集被收入了國際標(biāo)準(zhǔn)ISO/IEC 10646《信息技術(shù)通用多八位編碼字符集》。藏文編碼標(biāo)準(zhǔn)得到了統(tǒng)一。故本匹配算法以小字符集國際編碼標(biāo)準(zhǔn)（ISO/IEC 10646）編碼進(jìn)行討論。
依據(jù)藏文采用小字符集編碼中音節(jié)字的特點(diǎn)：
（1）具有完整構(gòu)件的音節(jié)具有7個(gè)編碼且每個(gè)編碼都是兩個(gè)字節(jié)，則對一個(gè)藏文音節(jié)字的表示則最多需要14個(gè)字節(jié)，最少也需要兩個(gè)字節(jié)。匹配過程中只有在一個(gè)音節(jié)的所有字節(jié)都相等的情況下，一個(gè)藏文音節(jié)才匹配成功。
（2）藏文音節(jié)與音節(jié)之間由音節(jié)點(diǎn)分割，在小字符集中該音節(jié)點(diǎn)為0X0F0B。
1.2 基于藏字特征改進(jìn)的BM算法
改進(jìn)后的BM模式匹配算法的具體思路：
（1）用模式串P的尾字符與文本串T進(jìn)行比較，結(jié)果失配，且文本串字符不為音節(jié)點(diǎn)，則模式串P右移到下一個(gè)出現(xiàn)的音節(jié)點(diǎn)處在新的位置繼續(xù)比較。
（2）用模式串P的尾字符與文本串T進(jìn)行比較，結(jié)果匹配，再把模式串第一個(gè)字符與文本串T比較，結(jié)果匹配。則將模式串與文本串T由右向左依次比較。當(dāng)所有字符都能匹配上時(shí)，則找到字符串返回查找結(jié)果并結(jié)束；如果模式串第一個(gè)字符與文本串T比較，結(jié)果不匹配，則：
求move（o）=First（OT）-First（OP），將模式串移動(dòng)move（o）個(gè)字符。
其中First（OT）：表示文本串T出現(xiàn)的第一個(gè)音節(jié)點(diǎn)；First（OP）：表示模式串P出現(xiàn)的第一個(gè)音節(jié)點(diǎn)。move（o）：距離差值；
（3）用模式串P的尾字符與文本串T進(jìn)行比較，結(jié)果匹配，再把模式串第一個(gè)字符與文本串T比較，結(jié)果匹配。則將模式串與文本串T由右向左依次比較。如果在模式串P的某一字符x失配，則轉(zhuǎn)4；
（4）如果失配的字符x在模式P中沒有出現(xiàn)，則：
求：First（x）：從x起始的字符到第一個(gè)出現(xiàn)的音節(jié)點(diǎn)的距離。那么從字符x開始的m（模式串的長度）+First（x）個(gè)文本顯然不可能與P匹配成功，直接全部跳過該區(qū)域即可，則模式串移位m+First（x）個(gè)位置；
（5）如果失配的字符x在模式P中出現(xiàn)，則：以該字符進(jìn)行對齊。設(shè)move（x）為P右移的距離，m為模式串P的長度，max（x）為字符x在P中最右位置。作模式串移位：[m-max（x）]+First（x）。
通過上對面算法的分析，我們可以看出，改進(jìn)后的BM算法可以減少比較的次數(shù)，提高匹配的速度。
2 結(jié)束語
越來越多的藏文出版作品在以數(shù)字化方式存儲(chǔ)，網(wǎng)絡(luò)上的藏文資料也日益增多，改進(jìn)針對西文以及中文的搜索算法，尋找適合藏文文字特點(diǎn)的字符查找算法是值得研究的。改進(jìn)的BM模式匹配算法就是利用藏文字符構(gòu)字特征以及編碼特點(diǎn)，改變了BM算法的比對方式，從而提高匹配的效率。
參考文獻(xiàn)：
[1]江濤，于洪志.基于藏文文本的網(wǎng)絡(luò)輿情監(jiān)控系統(tǒng)研究[A].全國計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C]，2006.
[2]閔聯(lián)營，趙婷婷.BM算法的研究與改進(jìn)[J].武漢理工大學(xué)學(xué)報(bào)，2006（03）：528-530.
[3]殷麗華，張冬艷，方濱興.面向入侵檢測的單模式匹配算法性能分析[J].計(jì)算機(jī)工程與應(yīng)用，2004（24）：46-47.
[4]扎西加，珠杰.面向信息處理的藏文分詞規(guī)范研究[J].中文信息學(xué)報(bào)，2009（04）：113-117.
[5]嚴(yán)蔚敏，吳偉民.數(shù)據(jù)結(jié)構(gòu)[M].北京：清華大學(xué)出版社，1999.
作者簡介：春燕（1977-），女，藏族，講師，碩士研究生，主要研究方向：藏文信息處理、數(shù)據(jù)挖掘。
關(guān)鍵詞：浮動(dòng)車；GPS；地圖匹配；軌跡點(diǎn)
引言
建立城市交通綜合信息平臺(tái)，通過對龐大的城市交通網(wǎng)絡(luò)中的實(shí)時(shí)交通信息進(jìn)行深入分析，為改善城市交通信息服務(wù)水平，提高決策科學(xué)性，緩解城市交通擁堵提供了基礎(chǔ)。交通綜合信息平臺(tái)的數(shù)據(jù)支撐來源于交通基礎(chǔ)信息的實(shí)時(shí)采集，科學(xué)決策的依據(jù)在于數(shù)據(jù)分析的快速、準(zhǔn)確。
GPS浮動(dòng)車是獲取道路實(shí)時(shí)車速便捷有效的方法，可以通過車載GPS定位信息獲取道路實(shí)時(shí)車速及運(yùn)行狀態(tài)（擁堵、暢通、緩行），其作為一種便捷廉價(jià)、可操作性高的車速采集手段已經(jīng)被各城市普遍采用，特別是公交車與出租車安裝車載GPS設(shè)備最為常見。通過對公交車及出租車的GPS返回?cái)?shù)據(jù)與城市道路網(wǎng)的匹配、分析來獲取道路的實(shí)時(shí)車速，進(jìn)而實(shí)現(xiàn)對道路狀態(tài)的有效判斷。因此確保GPS浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)與信息平臺(tái)電子地圖快速、準(zhǔn)確匹配是管理決策的基礎(chǔ)，研究準(zhǔn)確適用的GPS浮動(dòng)車軌跡點(diǎn)數(shù)據(jù)的地圖匹配算法是非常重要的。
1 GPS數(shù)據(jù)的地圖匹配原理
地圖匹配（Map-Match）簡稱MM技術(shù)，就是利用電子地圖的路網(wǎng)信息和GPS數(shù)據(jù)來實(shí)行對車輛行駛準(zhǔn)確位置的確定，它是一種定位誤差修正技術(shù)。
浮動(dòng)車所上報(bào)的GPS數(shù)據(jù)中包含有經(jīng)緯度等地理信息，但這些GPS坐標(biāo)只能反映車輛位置情況，而不能與實(shí)際路網(wǎng)路段直接相關(guān)聯(lián)。因此，車輛在路網(wǎng)中行駛的情況，必須要依賴于地圖匹配算法來完成車輛位置信息與路網(wǎng)位置的關(guān)聯(lián)。
地圖匹配算法的直接目的是將GPS測得的車輛位置或行駛軌跡，與現(xiàn)有的電子地圖道路路段數(shù)據(jù)進(jìn)行比較，繼而找到車輛所處的道路，計(jì)算出浮動(dòng)車輛在道路上所處的位置。一般地圖匹配過程有以下幾個(gè)步驟：
（1）通過對獲取的GPS數(shù)據(jù)的預(yù)處理及匹配模板的分析、描述，提取出點(diǎn)和道路的軌跡特征。
（2）根據(jù)對地圖匹配規(guī)則的制定，計(jì)算出GPS樣本和匹配模板兩者的相似度、匹配度。
（3）選取待匹配點(diǎn)距離最近或者是軌跡相似度、匹配度最高的道路曲線模板，可更正匹配樣本的位置或軌跡，作為匹配結(jié)果[1]。
圖1 地圖匹配原理圖
地圖匹配原理一般可分成兩個(gè)過程來表達(dá)：即尋找GPS待匹配點(diǎn)最可能歸屬的道路，并將GPS浮動(dòng)點(diǎn)投影到這條它所歸屬的道路上面。
以上兩個(gè)過程的關(guān)鍵在于需找GPS待匹配點(diǎn)最可能歸屬的道路，基本的思想即是在GPS點(diǎn)四周一定范圍內(nèi)搜索所有的可匹配點(diǎn)，然后根據(jù)匹配度計(jì)算，淘汰匹配度較低的點(diǎn)，選出最優(yōu)點(diǎn)。并將此最優(yōu)點(diǎn)作為GPS浮動(dòng)車車輛的當(dāng)前行駛路線。這樣，尋找最優(yōu)點(diǎn)成為算法性能優(yōu)劣的關(guān)鍵所在，如果搜索范圍過大，需對周圍各條道路一一篩選，增加了算法計(jì)算量，導(dǎo)致匹配速度緩慢。反之，如果搜索范圍過小，則有可能未能準(zhǔn)確尋找到最佳匹配點(diǎn)，出現(xiàn)匹配錯(cuò)誤，降低匹配的準(zhǔn)確率。
2 基于GPS軌跡點(diǎn)的浮動(dòng)車地圖匹配算法
可實(shí)現(xiàn)地圖匹配的算法很多，在GPS數(shù)據(jù)量極大，且算法應(yīng)用的場景為實(shí)時(shí)車速展示，需要選擇一個(gè)合適的方法，保證匹配的準(zhǔn)確性和匹配速度。因此文章提出的地圖匹配算法是基于GPS點(diǎn)到校正點(diǎn)的匹配，并且利用連續(xù)幾個(gè)GPS點(diǎn)的軌跡確定結(jié)果，最終獲取較為正確的路網(wǎng)匹配結(jié)果。
2.1 網(wǎng)格匹配
Step1：計(jì)算GPS點(diǎn)所歸屬網(wǎng)格。
當(dāng)在系統(tǒng)中導(dǎo)入GPS數(shù)據(jù)信息后，可從這些原始數(shù)據(jù)中提取出坐標(biāo)信息。可設(shè)為（x，y）。然后對該GPS坐標(biāo)信息進(jìn)行可信度檢測，首先取網(wǎng)格劃分中最大和最小的兩個(gè)坐標(biāo)點(diǎn)，其中最大的坐標(biāo)點(diǎn)位于地圖的右上角，假設(shè)為（xm，ym），最小的坐標(biāo)點(diǎn)則位于地圖的左下角，假設(shè)為（xn，yn）。如果待匹配點(diǎn)坐標(biāo)（x，y）滿足以下條件：
則認(rèn)為該GPS點(diǎn)在研究坐標(biāo)范圍之內(nèi)，轉(zhuǎn)到下一步計(jì)算。
Step2：搜尋所在網(wǎng)格匹配
根據(jù)該GPS點(diǎn)的坐標(biāo)信息，在網(wǎng)格列表中搜尋其所屬的網(wǎng)格。假設(shè)網(wǎng)格編號(hào)為G0，若
（x，y）∈{G0}
則判定該點(diǎn)位于G0網(wǎng)格內(nèi)。
在搜尋到所在網(wǎng)格后，將所在網(wǎng)格G0中的所有校正點(diǎn)加入到待匹配集合。但在該匹配中需要注意的是當(dāng)GPS點(diǎn)與網(wǎng)格邊距離小于1/3時(shí)，則需要將其相鄰網(wǎng)格（G1……G8）所包含的校正點(diǎn)一并加入待匹配集合，進(jìn)行匹配度計(jì)算。（見圖2）
2.2 節(jié)點(diǎn)匹配
Step1：計(jì)算GPS與路段的距離和方向差
在網(wǎng)格匹配中搜尋出的校正點(diǎn)集合被稱為待匹配集合。需要將GPS點(diǎn)與帶匹配集合中的各個(gè)校正點(diǎn)進(jìn)行匹配，找尋出最佳匹配點(diǎn)。
計(jì)算GPS點(diǎn)與各待匹配校正點(diǎn)之間的距離。設(shè)GPS點(diǎn)坐標(biāo)為（x，y），GIS校正點(diǎn)坐標(biāo)為（xr，yr），由于兩點(diǎn)距離較近，兩點(diǎn)接近于平面，則可根據(jù)平面距離公式
得出GPS點(diǎn)與各校正點(diǎn)之間的距離d。
計(jì)算GPS點(diǎn)與路段各校正點(diǎn)之間的夾角。取GPS數(shù)據(jù)的角度為？漬0，再與網(wǎng)格內(nèi)的GIS路段校正點(diǎn)的切線方向角度？漬r（取正北方向?yàn)?°）求差值。可得出GPS點(diǎn)與路段方向的夾角α。
Step2：匹配度計(jì)算
匹配度是判斷校正點(diǎn)優(yōu)劣的重要標(biāo)準(zhǔn)，是描述GPS點(diǎn)與一條道路的匹配程度，用實(shí)際算法所求得的數(shù)值進(jìn)行量化，匹配度越大，就認(rèn)為發(fā)出這個(gè)GPS數(shù)據(jù)的浮動(dòng)車越有可能位于這條道路。對于匹配度的計(jì)算，主要考慮的是GPS與路段的距離及其與路段的夾角。
圖3 GPS點(diǎn)匹配
Step3：Confidence Point（CP點(diǎn)）判斷
針對GPS浮動(dòng)車地圖匹配的特殊性，本文提出了Confidence Point判斷。所謂Confidence Point，就是可信點(diǎn)[8]。判斷是否為CP點(diǎn)，主要判斷其所有匹配點(diǎn)是否位于同一路段。
由于浮動(dòng)車地圖匹配的最終目的是為城市各條道路得到路段平均速度提供起點(diǎn)、終點(diǎn)以及時(shí)間信息，而當(dāng)車輛距離路口（包括城市立交路口、普通平面交叉路口、主輔路的出入口等）比較近時(shí)，由于GPS浮動(dòng)車減速、并線等駕駛行為導(dǎo)致GPS數(shù)據(jù)中的方向信息等變化較大、準(zhǔn)確性降低，使得系統(tǒng)比較難以確定車輛的準(zhǔn)確位置。 但是考慮到GPS浮動(dòng)車地圖匹配的一個(gè)最終目的是獲取路況實(shí)時(shí)信息，因此，如果無論車輛當(dāng)前在哪條道路上行駛，只要能確定車輛必定通過或者必定離開某個(gè)路口，就可以根據(jù)GPS浮動(dòng)車輛的下一個(gè)GPS定位數(shù)據(jù)確定其這一段時(shí)間的行駛軌跡。
因此當(dāng)GPS數(shù)據(jù)處于路口節(jié)點(diǎn)或分合流點(diǎn)附近時(shí)，它所對應(yīng)的匹配點(diǎn)并不在同一路段上，系統(tǒng)將這樣的數(shù)據(jù)判定為非CP點(diǎn)，作為延遲匹配點(diǎn)，利用行駛路徑進(jìn)行匹配。反之，若GPS數(shù)據(jù)所對應(yīng)的匹配點(diǎn)位于同一路段，則系統(tǒng)將其判定為CP可信點(diǎn)，對其各匹配點(diǎn)進(jìn)行匹配度計(jì)算。
其中對于CP可信點(diǎn)，系統(tǒng)按照step3中匹配度計(jì)算中所確定的方法進(jìn)行匹配度計(jì)算。取匹配度最大的點(diǎn)為最佳匹配點(diǎn)。對于非CP點(diǎn)，則轉(zhuǎn)入下一步。
Step4：延遲匹配
對于上一步所提到的非CP點(diǎn)，并無法通過單一的GPS數(shù)據(jù)匹配來確定浮動(dòng)車的確切位置，這時(shí)就需要通過相同浮動(dòng)車的多個(gè)GPS數(shù)據(jù)來聯(lián)合判斷車輛的行駛路線軌跡。
圖5 非CP點(diǎn)延遲匹配示意圖
假設(shè)某浮動(dòng)車連續(xù)的n個(gè)GPS數(shù)據(jù)組成的序列Pn（n=1，2，3，……，k），滿足以下條件：
（1）P1點(diǎn)為CP點(diǎn)，P2為非CP點(diǎn)，且k小于延遲匹配的允許最大值；（2）Pk為已經(jīng)確定的CP點(diǎn)，并能按照地圖匹配方法正確尋找到最佳匹配點(diǎn)。
則可利用前后兩個(gè)CP點(diǎn)P1和Pk，尋找這相鄰兩個(gè)CP點(diǎn)的最短路徑L。再利用最短路徑L對P2，P3，Pn-1進(jìn)行匹配，去掉不屬于L的匹配點(diǎn)，再取最大匹配度點(diǎn)作為最佳匹配點(diǎn)。
3 結(jié)束語
文章所使用的地圖匹配方法通過獲取GPS浮動(dòng)車數(shù)據(jù)，利用GPS坐標(biāo)信息，通過比對電子地圖各條路段的地理信息，將浮動(dòng)車位置關(guān)聯(lián)到路網(wǎng)上。
研究表明，該匹配算法具有以下優(yōu)缺點(diǎn)：
（1）匹配速度快。由于將電子地圖網(wǎng)格化，避免了將GPS數(shù)據(jù)坐標(biāo)與地圖中所有節(jié)點(diǎn)坐標(biāo)的一一進(jìn)行計(jì)算，而是僅選取了比較小范圍的節(jié)點(diǎn)進(jìn)行匹配。提高了運(yùn)算、匹配的效率。
（2）匹配精度較高。由于在匹配方法上采取了多種方法進(jìn)行聯(lián)合使用，針對不同位置的GPS數(shù)據(jù)點(diǎn)運(yùn)用不同的匹配方法，保證了每個(gè)GPS數(shù)據(jù)點(diǎn)匹配的準(zhǔn)確性。特別是基于連續(xù)GPS點(diǎn)軌跡來判斷位置，使得匹配的結(jié)果更為準(zhǔn)確。
重慶市政府在2011年開展“重慶市交通綜合信息平臺(tái)”建設(shè)，信息平臺(tái)對重慶城區(qū)的干路網(wǎng)交通信息進(jìn)行采集與匯聚。文章的研究依托交通信息平臺(tái)的基礎(chǔ)數(shù)據(jù)，研究成果應(yīng)用于重慶市主城區(qū)路網(wǎng)運(yùn)行情況的評(píng)估與監(jiān)控，經(jīng)過實(shí)測對比，驗(yàn)證了該算法的良好精度和適用性。
參考文獻(xiàn)
[1]張其善，吳金培，楊康凱.智能車輛定位導(dǎo)航系統(tǒng)及應(yīng)用[M].北京：科學(xué)出版社，2002.
[2]肖鋒.面向道路交通狀態(tài)監(jiān)測的GPS與GIS數(shù)據(jù)預(yù)處理關(guān)鍵技術(shù)研究[D].重慶大學(xué)碩士畢業(yè)論文，2008.
[3]重慶市交通綜合信息平臺(tái)試點(diǎn)工程技術(shù)報(bào)告[R].2012.
[4]孫棣華，等.基于預(yù)處理的城市路網(wǎng)拓?fù)浣Y(jié)構(gòu)構(gòu)建算法[J].計(jì)算機(jī)工程與應(yīng)用，2008（08）.
[5]車?yán)蚰?車輛導(dǎo)航定位中的關(guān)鍵技術(shù)研究[D].遼寧工程技術(shù)大學(xué)碩士論文，2008.
[6]Weiliang ZENG， Zhaocheng HE and Xiwei SHE. Data Repair Method for Real Time Urban Link Speed Estimation，ASCE2011.
[7]王華.GIS城市道路最短路徑算法研究[J].測繪科學(xué)，2010.
[8]章威，等.基于大規(guī)模浮動(dòng)車數(shù)據(jù)的地圖匹配算法[J].交通運(yùn)輸系統(tǒng)工程與信息，2007（4）.
Abstract： With the rapid development of the city， the increasing number of cars， the city faces increasing traffic pressure， intelligent transportation system is one of the effective ways to solve the traffic congestion currently accepted， but to provide a reliable source of data for intelligent transportation systems an important issue in building intelligent transportation systems， floating car technology as newly
developed a traffic information collection methods， the practice has proved capable of reliable data source for intelligent transportation
systems. In order to grasp the macroscopic properties of the urban road traffic， the paper uses data preprocessing， coordinate conversion， map matching， statistical analysis and a more in-depth analysis of floating car data comparison， intuitive access to relevant features of the urban transport， urban transport planning and management decisions and people travel has some practical value.
關(guān)鍵詞： 城市道路交通；GPS浮動(dòng)車；宏觀特征
Key words： Urban Road Traffic；GPS Floating Car；Macroscopic Characteristics
中圖分類號(hào)：U496 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）03-0036-03
0 引言
隨著城市化進(jìn)程的不斷加快，更多的人進(jìn)入城市，交通擁擠日益成為城市發(fā)展的瓶頸，據(jù)公安部消息，截至2012年6月底，我國機(jī)動(dòng)車保有量達(dá)2.33億輛，汽車保有量達(dá)1.14億輛，大中城市中汽車保有量達(dá)到100萬輛以
上的城市數(shù)量達(dá)17個(gè)，私家車保有量達(dá)到8613萬量，占
汽車保有量的75.62%[1]。發(fā)展智能交通系統(tǒng)對于城市交通誘導(dǎo)、緩解交通擁堵已成為國內(nèi)外認(rèn)可的有效方式之一，隨著科技的發(fā)展進(jìn)步，浮動(dòng)車技術(shù)因其在交通信息采集方面建設(shè)周期短，投資少，覆蓋范圍廣，數(shù)據(jù)精度高，實(shí)時(shí)性強(qiáng)受天氣影響小等特點(diǎn)[2]越來越受到智能交通建設(shè)和研究領(lǐng)域的重視。浮動(dòng)車技術(shù)在國外起步比較早，取得了一定的研究進(jìn)展：英國的浮動(dòng)車數(shù)據(jù)系統(tǒng)FVD，主要用于交通信息的采集與分析，預(yù)測道路形成時(shí)間及時(shí)向用戶[3]；德國的浮動(dòng)車數(shù)據(jù)系統(tǒng)FCD，主要采集車輛的位置、速度、時(shí)間等信息，提取和分析交通信息，判斷交通狀態(tài)，及時(shí)向公眾，為公眾出行規(guī)劃提供參考依據(jù)[4]；美國的ADVANCE系統(tǒng)，該系統(tǒng)是浮動(dòng)車與檢測線圈相融合，預(yù)測旅行時(shí)間，為出行者提供實(shí)時(shí)的動(dòng)態(tài)路線誘導(dǎo)信息[5]；日本VICS系統(tǒng)，該系統(tǒng)能夠提供多種信息，為旅行者出行規(guī)劃提供參考[6]；韓國KORTIC，該系統(tǒng)結(jié)合浮動(dòng)車、環(huán)形線圈、閉路電視監(jiān)控進(jìn)行交通信息采集，把數(shù)據(jù)融合后提取交通信息，判斷交通狀態(tài)[7]。
浮動(dòng)車技術(shù)在國內(nèi)的研究起步比較晚，開始于2002年的北京交通大學(xué)利用少量的出租車進(jìn)行的北京市路網(wǎng)分析評(píng)介，但是目前發(fā)展比較快，在北京、上海、杭州、寧波等城市利用現(xiàn)有的出租車建立起了浮動(dòng)車系統(tǒng)，實(shí)時(shí)采集路網(wǎng)的交通信息。論文采用的數(shù)據(jù)為昆明市GPS浮動(dòng)車數(shù)據(jù)。
1 數(shù)據(jù)采集及預(yù)處理
1.1 數(shù)據(jù)格式 浮動(dòng)車就是在城市道路行駛的車輛（主要是公交車、出租車）上安裝具有位置信息采集功能的GPS設(shè)備，在車輛的運(yùn)行過車中通過無線網(wǎng)絡(luò)（GPRS、WIFI等）實(shí)時(shí)向控制中心傳回車輛的位置、時(shí)間、瞬時(shí)速度、車輛運(yùn)行方向、設(shè)備終端編號(hào)等信息的車輛。
1.2 浮動(dòng)車數(shù)據(jù)預(yù)處理
①剔除研究范圍之外的數(shù)據(jù)：研究用的數(shù)據(jù)時(shí)間范圍為：2010年12月01日00時(shí)00分00秒-2011年3月31日23時(shí)59分59秒的共計(jì)26984135條數(shù)據(jù)，研究的地理范圍為東經(jīng)102.647O-102.828O，北緯24.914O-25.117O的范圍，數(shù)據(jù)分析之前，剔除研究范圍之外的數(shù)據(jù)。
②剔除速度大于120km/h的數(shù)據(jù)：根據(jù)相關(guān)規(guī)定的道路的設(shè)計(jì)最高速度不得超過120km/h，包括高速公路，考慮到有繞城高速和二環(huán)快速路，刪除速度高于120km/h的數(shù)據(jù)。
③剔除前后時(shí)間間隔超出數(shù)據(jù)回傳時(shí)間間隔的數(shù)據(jù)：采用的數(shù)據(jù)回傳的時(shí)間間隔為15s，如果某一條數(shù)據(jù)與前后數(shù)據(jù)的之間的時(shí)間間隔超出15s則需要對該數(shù)據(jù)進(jìn)行剔除處理，算法如下：
Ti-Ti-1>15s且Ti+1-Ti>15s
則刪除數(shù)據(jù)i。
Ti為浮動(dòng)車傳回的第i條數(shù)據(jù)記錄的時(shí)刻。
1.3 坐標(biāo)轉(zhuǎn)換 浮動(dòng)車數(shù)據(jù)采用的坐標(biāo)為WGS-84大地坐標(biāo)系，而昆明市道路網(wǎng)數(shù)據(jù)采用的是北京1954平面坐標(biāo)系，為了能將浮動(dòng)車數(shù)據(jù)準(zhǔn)確的匹配到城市道路網(wǎng)上，必須對浮動(dòng)車數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換，使浮動(dòng)車數(shù)據(jù)坐標(biāo)的坐標(biāo)系與道路網(wǎng)電子地圖數(shù)據(jù)坐標(biāo)保持一致。
1.4 地圖匹配 由于受GPS定位誤差及建筑物遮擋等因素的影響，GPS浮動(dòng)車數(shù)據(jù)并不完全準(zhǔn)確的定位于道路網(wǎng)電子地圖相應(yīng)的道路上，而是存在一定的偏差，為了準(zhǔn)確的研究城市道路交通的宏觀特征，需要把GPS浮動(dòng)車數(shù)據(jù)準(zhǔn)確匹配到城市道路網(wǎng)上，實(shí)現(xiàn)這一過程的算法稱之為地圖匹配算法。目前地圖匹配算法主要有點(diǎn)到點(diǎn)匹配算法、點(diǎn)到線匹配算法、線到線地圖匹配算法。
單獨(dú)的點(diǎn)到線的匹配算法只是采用投影距離大小比較確認(rèn)匹配點(diǎn)，沒有考慮到浮動(dòng)車行駛軌跡的連貫性，因而在交叉口和“Y”字口等地點(diǎn)會(huì)出現(xiàn)錯(cuò)誤匹配。考慮到行駛軌跡的連貫性，采用點(diǎn)到線匹配結(jié)合歷史軌跡數(shù)據(jù)匹配算法。具體算法如下：
①GPS浮動(dòng)車數(shù)據(jù)點(diǎn)P（x，y），匹配算法為求點(diǎn)到線的最近點(diǎn)距離來確定匹配的路段，設(shè)道路L1和L2的方程為A1x+B1y+C1＝0和A2x+B2y+C2＝0，與點(diǎn)P到兩條道路的距離為：
d■=■（1）
d■=■（2）
如果d■＞d■則點(diǎn)P匹配到道路L1上。但是點(diǎn)到線的匹配算法存在缺陷，如圖1所示，點(diǎn)P4會(huì)被錯(cuò)誤匹配到L2上而不是匹配到L1上。
②此缺陷可以通過完成點(diǎn)到線的最近距離匹配之后，采用統(tǒng)計(jì)分析的方法，依據(jù)浮動(dòng)車數(shù)據(jù)的設(shè)備終端好及時(shí)間順序，判別P4點(diǎn)與前后各點(diǎn)同為一輛浮動(dòng)車的數(shù)據(jù)同時(shí)時(shí)間間隔不超過閥值，則可確定P4點(diǎn)在道路L2上。
2 交通宏觀特征分析
2.1 浮動(dòng)車不同速度區(qū)間比例分析 本論文為了便于研究選取2010年12月1日00時(shí)00分00秒至2010年12月31日00時(shí)59分59秒之間的浮動(dòng)車數(shù)據(jù)作為研究對象，進(jìn)行分析研究，其中分別選取工作日（星期一），周末（星期日）的數(shù)據(jù)進(jìn)行分析，研究之前刪除了數(shù)據(jù)中速度為零的數(shù)據(jù)，時(shí)間間隔為30分鐘，時(shí)間段為00時(shí)00分-23時(shí)00分。
從圖2中可以看出各階段速度的比例在一天當(dāng)中都是不斷變化的，這反映了道路交通的動(dòng)態(tài)特性。
①周日的浮動(dòng)車數(shù)據(jù)量比例低速區(qū)域（15>speed>=0）在7：30之前保持在10%左右7：30之后開始平緩的增加，到15：00左右達(dá)到20%左右，高速區(qū)（speed>=30）的比例從7：30開始有70%左右下降達(dá)到50%左右持平，中速區(qū)（30>speed>=15）也出現(xiàn)了一定程度的增加，這反映了周末人們7：30出行的不開始不斷增多導(dǎo)致交通狀況發(fā)生變化，車輛運(yùn)行速度開始減緩；
②周一的浮動(dòng)車數(shù)據(jù)量比例低速區(qū)域（15>speed>=0）在6：30之前保持在10%左右6：30之后開始急劇增加，8：30達(dá)到20%左右，之后出現(xiàn)小幅波動(dòng)，高速區(qū)（speed>=30）的比例從6：30開始有71%急劇下降達(dá)到50%左右持平，中速區(qū)（30>speed>=15）也出現(xiàn)了一定程度的上升，這反映了人們從6：30開始上班出行不斷增多導(dǎo)致交通運(yùn)行減緩。
③圖中可以看出周日的低速區(qū)增加、高速區(qū)下降要比周一緩慢，同時(shí)周一由于人們上下班時(shí)間相對固定，基本集中在8時(shí)30分到9時(shí)00分的原因，早上出行時(shí)間主要集中在6：30到8：30之間形成早高峰，下午下班的時(shí)間集中在17時(shí)00分到18時(shí)00分之間，因而17：00到19：00之間形成晚高峰，而周日則反映出人們出行的時(shí)段比較分散，早晚高峰不是很明顯。
④從晚上20時(shí)00分開始中速區(qū)和低速區(qū)的比例開始下降，高速區(qū)的比例開始升高，反映出了人們出行的減少，道路交通處于比較暢通的狀態(tài)。
2.2 全路網(wǎng)一星期七天交通狀況分析 通過對處理好的數(shù)據(jù)進(jìn)行分析獲取了一星期的昆明市研究區(qū)域全路網(wǎng)的不同時(shí)間段的速度分布特征如圖3所示。
通過對趨勢圖進(jìn)行分析，可以知道昆明市全路網(wǎng)的交通有以下特征：
①工作日與周末的交通狀況有明顯的不同，星期六和星期天從早上7：30才開始速度不斷下降進(jìn)入早高峰時(shí)段，全路網(wǎng)速度持續(xù)減慢到9：30左右速度開始低于30km/h，而且一直持續(xù)到12：30左右出現(xiàn)小幅的回升，之后幾乎保持小幅波動(dòng)，變化不是很大，到下午17：20左右速度又開始持續(xù)下降，回身保穩(wěn)定的時(shí)間為下午19：00整，這一時(shí)段為晚高峰，之后速度有小幅波動(dòng)，同時(shí)由于出行人數(shù)和車輛的減少，速度加快。
②工作日的速度從早上6：30開始持續(xù)降低，到8：30左右達(dá)到最低形成早高峰，之后基本保持穩(wěn)定，沒有出現(xiàn)大幅波動(dòng)，持續(xù)到12：20左右之后速度出現(xiàn)小幅替提升，中午13：30左右速度因?yàn)橄挛缟习喑鲂械纫蛩氐挠绊懰俣仍俅纬霈F(xiàn)降低，之后基本保持穩(wěn)定，到下午17：20左右又再一次降低持續(xù)至18：40，形成晚高峰，之后速度出現(xiàn)小幅波動(dòng)，并持續(xù)回升。
③從圖中可以看出，不論是周末還是工作日，凌晨4：40-6：50之間的速度是最高的，速度接近于35km/h，說明在這一時(shí)段出行的人數(shù)及車輛都比較少，交通運(yùn)行順暢。
④工作日的早高峰要比周末的早高峰提前40分鐘左右，同時(shí)工作日的早高峰形成快于周末，而且速度下降較快，另外工作日的晚高峰形成時(shí)間基本一致，保持穩(wěn)定的趨勢一致。
關(guān)鍵詞：圖像匹配；歸一化交叉算法；小波變換；多尺度；塔式結(jié)構(gòu)
中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)23-5698-03
NCC Algorithm Optimization Based on the Wavelet Multi Scale
FU Yan-li
(Shandong SHENG DA Construction Group Limited Company, Jining 272000, China)
Abstract: Algorithms based on pixel gray value are already very common in mage template matching problem, which normalized cross correlation algorithm (Normalized CROSS Correlation. NCC) is one of the classic algorithm based on gray matching, and is widely applied, but the algorithm also has the disadvantages of high time complexity. Multi scale theory and the multiple resolution image are representation and analysis of relevant, i.e. a digital image can be expressed as a multiple resolution sub-images collection. Its characteristic cannot be found in a resolution while in the characteristics of another resolution is easy to find, the wavelet multi-scale analysis is an important tool, known as mathematical microscope, can be used to construct different adaptive filter with improved filter convergence, which is also one of the advantages of wavelet transform. Image after wavelet decomposition, in the lowest layer of the low frequency sub image resolution, retaining only the most information of image, that is after wavelet transform of image of a feature. Based on the wavelet multi scale NCC algorithm not only optimize the algorithm itself at the same time optimization based on gray matching search path, so that guarantee the NCC algorithm accuracy, and reduce the matching time, and also the simulation experiments show that this algorithm is effective.
Key words: image matching; normalized cross algorithm; wavelet transform; multi-scale; tower structure
圖像匹配是對兩幅圖像找其對應(yīng)的映射關(guān)系或根據(jù)已知模式到另一副圖中尋找相應(yīng)的模式。圖像匹配是一種極其重要的圖像處理和分析技術(shù)，無論在圖像理解還是在視覺計(jì)算中都具有重要作用和地位，其成功應(yīng)用到航空航天、地球物理信息、海洋船載導(dǎo)航和地理特征探測、工業(yè)生產(chǎn)、醫(yī)療衛(wèi)生等，因此圖像匹配技術(shù)越來越受到人們的重視和青睞。
圖像匹配的實(shí)用的技術(shù)方法一般分為兩大類，即基于灰度匹配和基于特征匹配。基于灰度匹配是把待匹配圖像中的某一像素點(diǎn)的灰度鄰域作為匹配模板或者稱為子窗口，在參考圖中搜索具有相同或者相似灰度值分布的對應(yīng)的鄰域，從而實(shí)現(xiàn)兩副圖的匹配。基于特征的圖像匹配不是利用圖像中的像素值進(jìn)行匹配，而是通過灰度導(dǎo)出符號(hào)特征（如：拐點(diǎn)、角點(diǎn)、邊緣線段、圖像輪廓）實(shí)現(xiàn)圖像的匹配。前者作為一種基本的匹配方法之一，在很多地方得到了充分的應(yīng)用，可以充分利用圖像的所有信息、尤其適合在圖像僅有平移和模板圖像中非零項(xiàng)比較少的情況下，便于匹配的實(shí)現(xiàn)。但是弱點(diǎn)也是很明顯的，即對圖像的幾何變形、光照強(qiáng)度、對比度都很敏感，并且計(jì)算量大，不適合實(shí)時(shí)匹配。后者利用從圖像得到的符合特征作為匹配的基元，有效的克服了前者的弱點(diǎn)，但是特征匹配過于依賴圖像的特征點(diǎn)，并且特征點(diǎn)的提取涉及到幾何和圖形形態(tài)學(xué)的計(jì)算，沒有統(tǒng)一的模型可以利用，需要對不同圖像選擇不同的自適應(yīng)特征，需要額外的特征提取的計(jì)算，往往計(jì)算也比較復(fù)雜。
1 歸一化交叉相關(guān)算法
歸一化交叉相關(guān)算法[1] (Normalized Cross Correlation．簡稱NCC)定義如下：
假設(shè)模板圖像w(s,t)的尺寸為m×n，其中m,n往往取奇數(shù)，參考圖像f(x,y)是一個(gè)大小為M×N，（1≤m≤M, 1≤n≤N），則：
（1）
其中a=(m-1)/2,b=(n-1)/2
由于表示模板的能量所以是一個(gè)常量，，當(dāng)模板移動(dòng)距離比較小時(shí)，也近似一個(gè)常量，所以為使D(x,y)最小則需要達(dá)到最大值，由于對w(s,t)和f(x,y)的副值的變化比較敏感，所以定義歸一化互相關(guān)函數(shù)為：
（2）
其中a=(m-1)/2,b=(n-1)/2
為了進(jìn)一步克服噪聲的影響和理想狀態(tài)匹配時(shí)C(s,t)相同值太多，還進(jìn)一步簡化（2）式即：
（3）
其中a=(m-1)/2,b=(n-1)/2，Ef,Ew分別為f(x,y)和w(s,t)的期望。
當(dāng)C(s,t)達(dá)到最大值時(shí)，兩圖匹配成功。
通過對NCC算法的理論分析，不難發(fā)現(xiàn)：為了讓算法達(dá)到理想狀態(tài)進(jìn)行圖像匹配，犧牲時(shí)間，換取了理想的匹配。通過對公式（1）（2）（3）分析，可以看出公式越來越復(fù)雜，計(jì)算量越來越大，匹配的時(shí)間越來越多，由于小波變換可以作為一個(gè)平滑過濾器來使用，所以小波變換可以消除圖像的幅值和圖像的噪音，因此選擇了NCC算法的中的公式（1），這樣就可以節(jié)省大量的計(jì)算時(shí)間，提高匹配的速度。
2 小波變換的多尺度分析
小波在1987年首次作為分析工具首次出現(xiàn)，小波是多尺度分析的重要工具，被譽(yù)為數(shù)學(xué)上的顯微鏡[3]，因?yàn)樾〔ㄗ儞Q具有時(shí)間-頻率局部化的特點(diǎn)，即在小波變換中，時(shí)間窗函數(shù)的寬度與頻域函數(shù)窗口的函數(shù)的都是一個(gè)常數(shù)，根據(jù)測不準(zhǔn)原理，他們的乘積也是一個(gè)常數(shù)。在對低頻分析是可以加寬時(shí)間窗，減少頻率窗；而對于高頻分析是，可以增高頻率窗，減少時(shí)間窗，這種特性被稱為“自適應(yīng)窗口特性”所以小波的這種特性是小波變換能提高為多尺度分析的基礎(chǔ)，可以用來構(gòu)建不同的自適應(yīng)濾波器以改進(jìn)濾波器的收斂性。
小波多尺度分析的表示：以多分辨率來解釋圖像的一種有效并且容易理解的結(jié)構(gòu)就是圖像金字塔如圖1。一副圖像金字塔是一系列以金字塔形式排列的分辨率逐層降低的圖像集合。0層是N×N的圖像，對0層的圖像進(jìn)行小波亞抽樣，可以達(dá)到一個(gè)原圖四分之一的較粗略的縮略圖。這個(gè)過程是可以重復(fù)進(jìn)行直到N層，這時(shí)圖像是1×1的圖像。這時(shí)圖像的分辨率也從0層最高到N層逐次下降，是原來圖像的四分之一。這樣一個(gè)圖像的金字塔結(jié)構(gòu)共（logN 2+1）層，或者有這么多不同的圖像組成，并且圖像所用的容量只是原來的圖像的4/3N2。
多尺度小波的特點(diǎn)[3]：1）多尺度小波具有窗口自適應(yīng)的特性，即可以使圖像的小波分析聚集到間斷點(diǎn)、奇異點(diǎn)和邊緣，體現(xiàn)了局部特點(diǎn)；同時(shí)也可以獲得全局的視點(diǎn)。這個(gè)特性是小波變換獨(dú)有的，對非穩(wěn)定性和快速變換的信號(hào)的分析特別有用的。2）小波變換相當(dāng)于一組多分辨率的帶通濾波器。利用這個(gè)特性，可以將圖像的信號(hào)分解為如圖1所示的頻率子帶上，在每個(gè)子帶可以用小波變換進(jìn)行處理。3）多尺度小波分解圖像的所有子圖的和等于原圖像的大小，即不增加存儲(chǔ)空間。4）分解后的圖像，沒有信號(hào)損失，保證圖像的完整性，便于對低頻和高頻的處理和上層對下層的實(shí)時(shí)重建。
3 基于小波多尺度的匹配算法
多尺度小波匹配主要利用了小波多尺度的特性對待配圖和參考圖進(jìn)行金字塔式分解，結(jié)構(gòu)如圖1，匹配基本流程如圖2所示，具體步驟如下：
1）首選判斷待配圖和參考圖的大小，一般待配圖比參考圖像小多，這時(shí)就是在參考圖中尋找待配圖的位置；反之就是在待配圖中搜索作為目標(biāo)的參考圖的過程。兩者原理是一樣的，所以匹配算法是基于前者論述和測試的。
2）判斷待配圖和參考圖的灰度光照強(qiáng)度、對比度、物體在拍攝時(shí)的遮擋情況以及空間幾何等，這些都會(huì)對基于灰度匹配造成錯(cuò)誤的匹配，進(jìn)行圖像匹配前的預(yù)處理。
3）以上兩步看作圖像預(yù)處理的過程。接下來選擇小波，這步非常重要，本課題選擇了Daubechies（db4）小波，因?yàn)榇诵〔ㄔ谶\(yùn)動(dòng)估計(jì)中應(yīng)用非常廣泛，可以很好的保留低頻中圖像的絕大部分信息，去掉高頻信號(hào)中的噪聲，是一個(gè)行之有效的小波。然后利用小波的多尺度特性將待配圖和參考圖像分解為N層，結(jié)構(gòu)如圖1，待配圖和參考圖未分解的圖像為0層（有些文獻(xiàn)是將原圖定義1層），從低到上，分解的最大層為N層（或者分解的最大尺度為N層），在MATLAB中實(shí)現(xiàn)小波變換的最大層的函數(shù)是wmaxlev()。但是為了保證低頻的中含有未解圖的絕大部分信息，尤其是灰度變化比較劇烈的區(qū)域，一般分解的層次為：一維分解的分解尺度N不超過5；二維的分解尺度N不超過3。第N層圖像的尺寸和大小都是原圖來1/(N+1)2。
4）通過前三步，待配圖和參考圖的原圖被分為N層不同頻率子圖的集合，現(xiàn)在可以在分辨率最低的N層進(jìn)行待配圖的子圖與參考圖的子圖進(jìn)行匹配。采用了經(jīng)典灰度相似度量算法：歸一化交叉相關(guān)算法NCC進(jìn)行對待配圖和參考圖進(jìn)行匹配。整個(gè)匹配過程就是將N層的待配圖看作模板，匹配的實(shí)現(xiàn)基本過程：1）在第N層利用歸一化交叉相關(guān)算法NCC進(jìn)行匹配，即求出（1）式的最大值；找出對應(yīng)匹配區(qū)域；2）在N-1層按照N層的算法，再在對應(yīng)匹配區(qū)域進(jìn)行NCC匹配；3）重復(fù)第5步直到0層；4）輸出匹配結(jié)果。
4 仿真實(shí)驗(yàn)
本算法使用Matlab2007b進(jìn)行了大量的仿真實(shí)驗(yàn)，圖3是選擇了最著名lena圖進(jìn)行算法的仿真說明。
結(jié)果分析：
1）為了與其他文獻(xiàn)在匹配速度和精確度的可比性，選擇了其中的一組著名圖像：lena圖，如圖3和圖4中的A圖所示。進(jìn)行尺度為2的小波分解，兩幅圖像中的尺度為2的低頻子圖，基本上無法辨認(rèn)，即所需要的信息基本上都被過濾，所以在第2層匹配是無法匹配的，根據(jù)第4節(jié)的匹配步驟，只能在第1層子圖匹配，匹配實(shí)驗(yàn)的結(jié)果證明是可行的。
2）將這幅lena的待配圖和參考圖如表1所示的各種算法進(jìn)行匹配。通過表1可以看出，此算法是可行的。
5 結(jié)束語
論文的創(chuàng)新是首選剖析了NCC算法，選擇了算法的中間過渡式作為本算法的一部分，好處是減少圖像匹配的計(jì)算量，同時(shí)也保證了匹配的精確度；采用了小波變換的多尺度特性，優(yōu)化了匹配的搜索策略，提高了匹配的精確度和匹配的時(shí)間，所以結(jié)合兩者的特點(diǎn)可以很好的完成某些領(lǐng)域中圖像的實(shí)時(shí)匹配。
參考文獻(xiàn)：
[1] Gongzalez R C,Woods R E.Digital Image Processing[M].2nd Edition (DIP/2e).北京:電子工業(yè)出版社,2005.
[2] 李強(qiáng),張鈸.一種基于圖像灰度的快速匹配算法[J].軟件學(xué)報(bào),2006,17(2):216-222.
[3] Luigi Di Stefan.Stefano Mattoccia Fast template matching using bounded panial correlation[J].Machine Vision and Applications,2003(13):213-221.
[4] Bamea D I,Silverman H F.A class of algorithms for fast digital image registration[J].IEEE Trans on Computers,1972,C-21:179-186.
[5] 鄭運(yùn)平,陳傳波.一種新的灰度圖像表示算法研究[J].計(jì)算機(jī)學(xué)報(bào),2010,33(12):2398-2406.
[6] 李健,梁琨.基于小波多分辨率分析的快速圖像匹配[J].陜西科技大學(xué)學(xué)報(bào),2006,24(6):81-84.
[7] 劉瑩.基于灰度相關(guān)的圖像匹配算法的改進(jìn)[J].應(yīng)用光學(xué),2007,28(5):537-540.
[8] 杜杰.兩種基于灰度的快速圖像匹配算法[D].大連:大連海事大學(xué),2007.
[9] 范俐捷,王巖飛.一種新的基于灰度的圖像匹配方法[J].微計(jì)算機(jī)信息,2007,23(30):296-297.
[10] 范新南,朱佳媛.基于小波變換的快速圖像匹配算法與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì),2009,30(20):4674-4676.
【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 模式識(shí)別 指紋
一、引言
指紋自動(dòng)識(shí)別技術(shù)是通過計(jì)算機(jī)實(shí)現(xiàn)的身份識(shí)別手段，也是當(dāng)今應(yīng)用最為廣泛的生物特征識(shí)別技術(shù)之一。采用指紋識(shí)別技術(shù)進(jìn)行身份驗(yàn)證是安全可靠的系統(tǒng)，它可以取代傳統(tǒng)的基于密碼、鑰匙和證件的安全系統(tǒng)，而且不需記憶密碼，無需攜帶證件，指紋就是身份證明。無數(shù)的研究單位和公司企業(yè)都積極從事自動(dòng)指紋識(shí)別算法的研究和產(chǎn)品開發(fā)，現(xiàn)在國內(nèi)外指紋識(shí)別大都采用基于細(xì)節(jié)特征點(diǎn)的指紋識(shí)別技術(shù)，即采用基于圖像處理的指紋識(shí)別算法，但有些算法由于指紋圖像的噪音、皮膚彈性引起的非線性形變等多方面因素，導(dǎo)致在識(shí)別過程中出現(xiàn)誤差，影響識(shí)別率等。
二、研究現(xiàn)狀
在國內(nèi)，中國科學(xué)院自動(dòng)化研究所人工智能實(shí)驗(yàn)室在指紋識(shí)別技術(shù)研究方面取得了大量成果，它們的產(chǎn)品“Finger pass嵌入式指紋識(shí)別系統(tǒng)”獲國家信息產(chǎn)業(yè)部信息產(chǎn)業(yè)重人技術(shù)發(fā)明榮譽(yù)證書，“基于混合匹配的指紋識(shí)別系統(tǒng)與應(yīng)用”曾獲得國家科技進(jìn)步二等獎(jiǎng)，并在國內(nèi)外重要學(xué)術(shù)刊物上發(fā)表多篇關(guān)于指紋的科研論文。
國外自動(dòng)指紋識(shí)別技術(shù)的研究開發(fā)起步比國內(nèi)早，到目前為止也已經(jīng)取得了很多優(yōu)秀成果，它們的技術(shù)和產(chǎn)品整體上都領(lǐng)先于國內(nèi)。比較有代表性的“指紋研究組織”是南加利福利亞洲指紋聯(lián)合會(huì)，它是一個(gè)非盈利組織，成立于1937年，目前擁有超過350個(gè)成員單位，該組織旨在推動(dòng)指紋識(shí)別技術(shù)及其相應(yīng)產(chǎn)品的研究、交流等。由國際模式識(shí)別協(xié)會(huì)組織的國際指紋識(shí)別算法競賽“FVC2000”、“FVC2002”、“FVC2004”吸引了眾多國際國內(nèi)的高校、研究組織、企業(yè)等參加，這些競賽都非常具有影響力，推動(dòng)了指紋識(shí)別技術(shù)的研究和應(yīng)用發(fā)展。
三、指紋預(yù)處理
在指紋識(shí)別過程中，輸入的指紋圖像由于各種原因的影響，是一幅含噪聲較多的灰度圖像，預(yù)處理的目的就是去除圖像中的噪聲，使圖像畫面清晰，邊緣明顯，把它變成一幅清晰的點(diǎn)線圖，以便于提取正確的指紋特征。指紋圖像預(yù)處理環(huán)節(jié)在整個(gè)指紋識(shí)別系統(tǒng)中具有重要的地位和作用，它的好壞直接影響著指紋識(shí)別的效果。預(yù)處理一般分為四步進(jìn)行：指紋圖像的規(guī)格化、指紋增強(qiáng)、二值化和細(xì)化。
四、指紋圖像的特征
指紋圖像的結(jié)構(gòu)比較復(fù)雜，而且屬于個(gè)人隱私，所以在一般情況下，指紋圖像是用數(shù)字化的形式存儲(chǔ)的，然而數(shù)字化存儲(chǔ)信息量大，很難找到準(zhǔn)確的指紋信息，因此指紋識(shí)別具有重大的意義。指紋識(shí)別算法是根據(jù)指紋圖像中一些不同的特征來實(shí)現(xiàn)指紋的匹配，根據(jù)不同特征可以將指紋圖像分為：總體特征和局部特征。
總體特征：指紋圖像中存在一些清晰明了的特征，可以用肉眼直接觀察到，將這一類特征稱為總體特征，例如：紋型，模型區(qū)，核心點(diǎn)，三角點(diǎn)，紋數(shù)。
局部特征：指紋圖像上節(jié)點(diǎn)的特征，而節(jié)點(diǎn)是指紋圖像中具有某種特征的點(diǎn)，又稱為特征點(diǎn)。一般來說，有些指紋會(huì)存在相同的總體特征，但絕對找不到相同的局部特征，即相同的特征點(diǎn)。所以在指紋識(shí)別過程中就是要尋找這些特征點(diǎn)，這些特征點(diǎn)往往出現(xiàn)在中斷處、分叉處及轉(zhuǎn)折處。
五、指紋特征匹配
人們對指紋匹配做了很多研究，提出了許多匹配算法，主要可分為兩類：一類是基于圖形的匹配方式，包括點(diǎn)模式匹配和基于圖論的方法；另一類是采用人工神經(jīng)網(wǎng)絡(luò)的方法。圖形匹配是針對紋線幾何形狀及其特征點(diǎn)拓?fù)浣Y(jié)構(gòu)的匹配方式，它的原理是基于相似變換的方法把兩個(gè)特征點(diǎn)集中的相對應(yīng)點(diǎn)匹配起來，這些相似變換可以是平移變換、旋轉(zhuǎn)變換、伸縮變換等線性變換，可以在一定程度內(nèi)允許少量偽特征點(diǎn)的存在、真正特征點(diǎn)的丟失以及輕微的特征點(diǎn)定位偏差，且對圖像的平移和旋轉(zhuǎn)也不敏感。但這種方法有兩點(diǎn)不足：一是匹配速度比較慢；二是對指紋圖像的質(zhì)量要求比較高，低質(zhì)量的圖像匹配效果不佳。本文采用概率神經(jīng)網(wǎng)絡(luò)識(shí)別的模型進(jìn)行網(wǎng)絡(luò)拓?fù)洹Ｔ谇閳?bào)不完全的情況下，對未知部分進(jìn)行主觀概率估計(jì)，然后用貝葉斯公式對其進(jìn)行修正，最后結(jié)合期望值和修正概率做出最優(yōu)決策。
六、小結(jié)
本文通過介紹混合神經(jīng)網(wǎng)絡(luò)相關(guān)知識(shí)，分析了自動(dòng)指紋識(shí)別系統(tǒng)的研究現(xiàn)狀和問題，按照指紋預(yù)處理、指紋特征提取和指紋特征匹配的研究過程，在現(xiàn)有的各種指紋處理算法的基礎(chǔ)上，對它們進(jìn)行了優(yōu)化改進(jìn)，研究了混合神經(jīng)網(wǎng)絡(luò)在自動(dòng)指紋識(shí)別系統(tǒng)中的應(yīng)用。
參考文獻(xiàn)：
[1] 張瑩，于寶。基于ARM9的指紋匹配算法[J]。計(jì)算機(jī)與數(shù)字工程，2013，5。
[2] 李娟。基于特征描述子的指紋算法研究[D]，西安電子科技大學(xué)，2012.
[3] 王啟亮。指紋圖像增強(qiáng)算法研究[D]， 太原科技大學(xué)，2013.
[4] 王行甫，覃啟賢，程用遠(yuǎn)，侯成龍。一種改進(jìn)的徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測算法[J]。計(jì)算機(jī)系統(tǒng)應(yīng)用，2012，8。
[5]殷芳璽。嵌入式指紋識(shí)別應(yīng)用系統(tǒng)與算法研究[D]， 華中科技大學(xué)，2012.
[6]車永剛，肖春雨，雷聲，孫巍。基于環(huán)形BP神經(jīng)網(wǎng)絡(luò)的指紋匹配算法[J]。長江大學(xué)學(xué)報(bào)，2013，10（1）。
[7]黃勇興。基于小波變換的指紋識(shí)別算法研究[D]，南昌航空大學(xué)，2012.
